一种用于动作识别的双分支网络

动作识别是计算机视觉领域的一项重要任务,主要有基于RGB视频和人体骨架两种数据模态的领域,主流方法分别是3D卷积神经网络和图卷积神经网络。针对视频和人体骨架两种数据模态的不同特点,设计了双分支网络分别对两种数据模态进行建模。对于人体骨架数据,基于自注意力机制设计了图卷积神经网络,该算法能在基于骨架的动作识别任务中达到先进的性能。对于视频数据,采用3D卷积网络进行特征提取。同时,利用深监督方法对两种数据模态的中间特征进行监督,提高两种数据特征的耦合度,进一步提高网络效率。这种算法的网络结构简单,在NTU-RGBD60(CS)数据集上仅用3.37×10⁷的参数量可达到95.6%的精度。     

基于超声时序神经网络目标识别的塔机安全预警

为实现塔机失稳监测和防碰撞的安全预警功能,改善塔机被动安全模型存在的低成本、主动性、灵活性、快速性和及时性的不足,通过分析目标物特性与超声时序信号相关特征及测距值特征的关系,结合Elman、SOM网络,构建了基于超声时序神经网络目标识别的塔机安全预警系统,可以实现对扭转角和障碍物的信号采集、数据融合、主动预警功能,试验结果表明该系统可以达到预期的低成本、高速度、高精度的塔机工作要求。     

多尺度超图卷积骨架动作识别网络

动作识别是计算机视觉基础任务之一,骨架序列包含了大部分的动作信息,因此基于骨架的动作识别算法受到很多学者关注。人体骨架在数学上是一个天然的图,所以图卷积被广泛应用于动作识别。但普通的图卷积只聚合两两节点间的低阶信息,不能建模多节点间的高阶复杂关系。针对此问题,本文提出一种多尺度超图卷积网络,在空间和时间两个维度聚合更丰富的信息,提高动作识别准确度。多尺度超图卷积网络采用编解码结构,编码器使用超图卷积模块聚合超边中多个节点间的相关信息,解码器使用超图融合模块恢复原始骨架结构,另外基于空洞卷积设计了多尺度时间图卷积模块以更好地聚合时间维度运动信息。NTURGB+D和Kinetics数据集上的实验结果验证了算法的有效性。     

面向动作识别的旋转投影变换关节特征骨架描述

在机器人领域中,基于人类骨架关节特征描述的动作识别方法被广泛地应用于人机协作任务,以帮助机器人理解人类的行为.对动作序列中的时间信息和空间信息挖掘是其中的一个重要问题,不充分的信息提取往往会导致算法鉴别力低.鉴于此,从骨架旋转投影出发,提出了一种能够充分挖掘动作序列中时空信息的高鉴别力人类骨架关节特征描述方法,即骨架旋...     

基于新分区策略的ST-GCN人体动作识别

人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术，基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势。时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能，针对ST-GCN网络模型中的分区策略只关注局部动作的问题，设计了一种新的分区策略，通过关联根节点与更远节点，加强身体各部分信息联系和局部运动之间的联系，将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域，同时为各区域赋予不同的权重，提升了模型对整体动作的感知能力。最后，分别在公开数据集和真实场景下进行实验测试，结果表明，在大规模数据集Kinetics-skeleton上获得了31.1%的Top-1分类准确率，相比原模型提升了0.4%;在NTU-RGB+D的两个子数据集上分别获得了83.7%和91.6%的Top-1性能指标，相比原模型提升了2.3%和3.3%;在真实场景下，所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高，对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低，尚有进一步提高的空间。     

LST变换和手部几何特征融合的模糊掌纹识别

为了解决非接触采集时的离焦状况容易导致掌纹图像出现模糊现象,从而造成识别系统的性能降低的问题,在建立模糊模型并分析模糊现象机理的基础上,提出了一种新的解决方案.使用拉普拉斯平滑变换(laplacian smoothing transform,LST)提取模糊掌纹的低频系数作为稳定特征,提取手部几何特征即手指相对长度和宽度作为特征向量,将LST特征和几何特征进行融合,最后利用特征向量之间的欧式距离进行匹配和分类.在自建的SUT-D模糊掌纹图库上的测试结果表明该算法等误率可达7.01％,与融合之前及其他典型识别方法相比,等误率最高可降低13.11％,显示出该算法具备有效性,为解决模糊掌纹的识别问题提供了一条可行途径.     

影响零件可装配性的几何特征及其识别

阐述了零件的外形尺寸、对称性以及嵌套和缠绕性等几何特征对零件可装配性的影响,并探讨了这些特征的自动识别方法。     

基于场景几何特征的ETC识别范围预测方法

超高频(UHF)射频识别(RFID)系统具有标签成本低、识别距离远等优点,在电子不停车收费(ETC)等智能交通领域具有应用潜力。受电波的随机多径传播制约,实际应用中难以准确估计标签识别范围。针对ETC应用场景具有几何共性的特点,基于电波传播的几何光学方法,通过对标签接收多径射线的构成进行分析,融入场景几何特征和天线射频特征参数,提出了一种标签识别范围的预测方法。实际场景测试与仿真表明,能较精确预测标签在三维空间中的接收功率分布和识别范围,且精确性高于对数正态等经验模型,而复杂性低于电磁场的商用仿真软件。     

应用在线随机森林投票的动作识别

提出了基于在线随机森林投票识别人物动作类别的方法。建立了在线随机森林投票模型。通过在线训练和在线检测两部分进行了算法研究,提高了检测人物动作类别的准确率。基于人物动作在时间和空间上有重要信息,该方法首先通过提取图像立体块的lab色彩空间值、一阶差分、二阶差分以及大位移光流特征值在线训练随机森林;训练结束后,形成强分类器,利用分类器对检测图像进行投票,生成动作空间图;最后,在动作空间图中寻求最大值,判断检测图像的动作类别。验证结果表明在低分辨的视频图像中,本方法能够确定人物的动作类别,对Weizmann数据库和KTH数据库的识别率分别为97.3%和89.5%,对UCF sports数据库的识别率为79.2%,动作识别准确率有所提高。该方法增加了光流能量场特征表述,将原始投票理论拓展至三维空间,并且采用向下采样的方式更新结点信息,能够判断人物动作类别,为智能视频技术提供了有效的补充信息。     

几何边界元的细微度和几何模型的细微特征分解

对几何模型进行适当的简化是建立理想有限元分析模型的一个必不可少的步骤,而区分几何模型中的结构特征相对大小是几何简化的关键。对几何模型的边界进行等半径整体倒圆（将这种操作称为“弧化”）具有几何形体的低通滤波作用,通过比较弧化前后的几何模 型,可以确定几何边界元在构成整个形体的重要程度,即几何细微度。以二维图形为例, 说明利用弧化来量化几何边界元的细微度的原理,并提出了以细微边界元为线索识别和 分解细微特征的方法。在细微边界元识别和细微特征分解交替进行的过程中,任意用边界表示法表示的几何模型可逐步简化到任意程度。提出的方法是从设计模型中提取分析几何模型的一种有效工具。     

基于四元数时空卷积神经网络的人体行为识别

传统卷积神经网络(CNN)只适用于灰度图像或彩色图像分通道的特征提取,忽视了通道间的空间依赖性,破坏了真实环境的颜色特征,从而影响人体行为识别的准确率。为了解决上述问题,提出一种基于四元数时空卷积神经网络(QST-CNN)的人体行为识别方法。首先,采用码本算法预处理样本集所有图像,提取图像中人体运动的关键区域;然后将彩色图像的四元数矩阵形式作为网络的输入,并将CNN的空间卷积层扩展为四元数空间卷积层,将彩色图像的红、绿、蓝通道看作一个整体进行动作空间特征的提取,并在时间卷积层提取相邻帧的动态信息;最后,比较QST-CNN、灰度单通道CNN(Gray-CNN)和RGB 3通道CNN(3Channel-CNN)3种方法的识别率。实验结果表明,所提方法优于其他流行方法,在Weizmann和UCF sports数据集分别取得了85.34%和80.2%的识别率。     

基于改进双流时空网络的人体行为识别

针对传统双流网络无法捕捉视频序列中的时序关系从而导致对时序依赖较大的行为识别效果不理想的问题,提出一种基于改进双流时空网络的人体行为识别算法.首先利用时间移位思想,使卷积神经网络对视频中的时序关系建模,从而高效地捕捉视频中的时空信息;同时使用注意力机制改善由于通道信息在时间轴上移动导致的空间特征学习能力下降的问题;在此...     

构建多尺度深度卷积神经网络行为识别模型

为了减化传统人体行为识别方法中的特征提取过程,提高所提取特征的泛化性能,本文提出了一种基于深度卷积神经网络和多尺度信息的人体行为识别方法。该方法以深度视频为研究对象,通过构建基于卷积神经网络的深度结构,并融合粗粒度的全局行为模式与细粒度的局部手部动作等多尺度信息来研究人体行为的识别。MSRDailyActivity3D数据集上的实验得出该数据集上第11~16种行为的平均识别准确率为98%,所有行为的平均识别准确率为60.625%。结果表明,本方法能对人体行为进行有效识别,基本能准确识别运动较为明显的人体行为,对仅有手部局部运动的行为的识别准确率有所下降。     

结合限制密集轨迹与时空共生特征的行为识别

针对传统密集轨迹方法应用到真实场景后过多无效轨迹耗费存储与计算资源且严重影响有效特征提取的不足,提出一种新的人体行为识别算法。首先,检测视频帧中存在的人体目标并对获得的包含人体的矩形框进行扩展,利用扩展后的矩形框对传统密集采样特征点的范围进行筛选限制;然后,对筛选限制后的特征点在光流场中跟踪一定帧数获取限制密集轨迹,并在以限制密集轨迹为中心的时空体内构建一组包含轨迹的空间位置、时空上下文信息的特征描述子;最后在视觉词袋模型框架下,采用SVM对特征向量进行编码分类。结果显示:在KTH、YouTube和HMDB51 3个行为数据库上的识别准确率分别达到98.1%、89.7%和66.9%。证明本算法对复杂真实场景中的人体行为具有较高的识别能力。     

Control chart pattern recognition using an optimized neural network and efficient features

Automatic recognition of abnormal patterns in control charts has seen increasing demands nowadays in manufacturing processes. This study investigates the design of an accurate system for control chart pattern (CCP) recognition from two aspects. First, an efficient system is introduced that includes two main modules: the feature extraction module and the classifier module. The feature extraction module uses the entropies of the wavelet packets. These are applied for the first time in this area. In the classifier module several neural networks, such as the multilayer perceptron and radial basis function, are investigated. Using an experimental study, we choose the best classifier in order to recognize the CCPs. Second, we propose a hybrid heuristic recognition system based on particle swarm optimization to improve the generalization performance of the classifier. The results obtained clearly confirm that further improvements in terms of recognition accuracy can be achieved by the proposed recognition system.     

模糊神经网络法及其在缺陷模式识别中的应用

针对冷轧带钢表面缺陷图像模式识别中出现的问题,引入模糊模式识别和反向传播神经网络识别方法.在研究比较两种识别方法的基础上,利用模糊模式识别在剔除噪音数据和反向传播神经网络在模型拟合和非线性识别上的优势,提出一种新的模糊神经网络方法,并详细讨论了算法的结构特点及其实现方法.对五种出现频率较高的典型缺陷图像进行计算机实验研究,结果表明,该方法能对缺陷图像进行有效的识别,具有良好的性能.     

基于长短时记忆和卷积神经网络的手势肌电识别研究

用表面肌电进行手势识别具有细节信息可选择性和抗外界干扰能力强的优势,但现有方法的适应性和识别准确性还不足.通过在卷积神经网络的基础上增加长短时记忆网络处理层,构筑手势识别模型,它能捕获手势动作过程的肌电时序特征,一定程度上减少了过拟合的现象.利用手势肌电丰富的时频域信息,提取手势肌电的小波包特征图像,并与手势肌电图像一...     

基于类卷积神经网络的可见光虹膜识别方法

针对应用于智能移动设备的虹膜识别系统在可见光采集条件下虹膜图像受干扰严重使得识别率正确率降低和算法鲁棒性变差的问题,提出一种类卷积神经网络结合局部特征提取的虹膜识别方法。首先,采用暗通道图像去雾算法对归一化虹膜图像进行增强处理以减弱光干扰;然后,利用类卷积神经网络对图像进行降维,获得虹膜的二值化纹理信息;再经分块处理方法提取降维图像各区域局部虹膜纹理信息以构建特征向量;最后用欧氏距离分类器进行匹配识别。为验证算法性能,采用MICHE-I虹膜图库中由iPhone5拍摄所得的30人240张(每人4张室内和4张室外)虹膜图像进行测试,并与Gabor变换和主成分分析虹膜识别方法进行对比。结果表明,该方法在室内外图像均进行训练的条件下正确率能够达到98.33%,且对室内外不同光照变化干扰有较好的鲁棒性,上述性能皆优于Gabor变换和PCA算法。说明本文算法能够满足移动设备虹膜识别使用要求。     

三角剖分以及径向基函数神经网络在星图识别中的应用

根据经典径向基函数(RBF)神经网络的优势,结合星图模式样本集的特点,设计了一种适合星图模式样本的网络训练算法.从提取星图模式入手,引入三角剖分理论,将可能出现在同一视场内的恒星以三角形的形式连接起来,提取连接的角距作为星图模式,建立了具有完备性、平移旋转不变性的星图模式样本集.然后,利用RBF神经网络做星图识别,研究顺序训练方法和批量训练方法,总结多种经典算法的优缺点,并设计了一种训练方法.通过实验证明了该种方法较其他经典算法更为适合学习星图模式样本.最后,给出RBF神经网络相关的训练数据,并通过模拟星图软件获得若干模拟星图作为观测样本,利用已经训练好的神经网络进行识别.试验结果表明,测试网络能够正确识别这些星图.